高校专区
3D-LFM：提升基础模型
机构 * Carnegie Mellon University（卡内基梅隆大学） ； The University of Adelaide（阿德莱德大学）
AI总结 本文提出3D-LFM，利用Transformer的排列等变性处理不同数量的3D点，提升3D结构和相机的重建能力，实现跨领域的高泛化性能。
Comments Visit the project page at https://3dlfm.github.io for links to additional media, code, and videos. The site also features a custom GPT tailored to address queries related to 3D-LFM. Accepted at CVPR 2024
开发和评估一个支持产科保健的聊天机器人
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Population Council Institute（人口理事会研究所） ； Sitaram Bhartia Institute of Science and Research（西塔拉姆·巴提亚科学与研究研究所） ； Nivi, Inc.（Nivi公司）
AI总结 本文开发了一个印度产科保健聊天机器人，结合分阶段分诊、混合检索和证据引导生成，通过多方法评估验证了多语言噪声环境下医疗助手的可靠性。
Comments 17 pages; submitted to IJCAI 2026 AI and Social Good Track
修补漏洞：在多语言翻译中缓解奖励黑客
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出WALAR方法，通过单语文本提升低资源语言翻译能力，同时保持高资源语言性能。通过词对齐和语言对齐技术缓解现有质量评估模型的漏洞，实验显示在Flores-101数据集上优于LLaMAX。
Comments Our code is available at https://github.com/LeiLiLab/WALAR
FraudFox: 实际世界中可适应的欺诈检测
机构 * Amazon.com, Inc.（亚马逊公司） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 FraudFox通过动态重要权重的扩展卡尔曼滤波器解决资源受限环境下的对抗攻击问题，提出最优决策面和帕累托最优集以应对欺诈行为变化，已应用于亚马逊生产环境。
Journal ref In: Wang, G., Ciptadi, A., Ahmadzadeh, A. (eds) Deployable Machine Learning for Security Defense. MLHat 2020
MindfulAgents: 通过专家对齐的多智能体系统实现正念冥想的个性化
机构 * Columbia University（哥伦比亚大学） ； St. Margaret’s Episcopal School（圣玛格丽特教区学校） ； Carnegie Mellon University（卡内基梅隆大学） ； Worcester Polytechnic Institute（沃斯特理工学院） ； Institute for Social Research, University of Michigan（密歇根大学社会研究所） ； California State University Dominguez Hills（加州大学 Dominguez Hills 分校）
AI总结 本文提出MindfulAgents系统，利用大语言模型生成个性化正念冥想指导脚本，提升用户参与度和自我意识，减少压力，并通过实验验证其在长期冥想实践中的有效性。
Comments Accepted by CHI 2026; Zhihan Jiang and Yuang Fan contributed equally as second authors
RECAP：通过代理流水线从LLM训练中重现受版权保护的数据
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Instituto Superior Técnico/INESC-ID（里斯本技术大学/INESC-ID） ； Hydrox AI
AI总结 RECAP通过代理流水线从LLM输出中提取和验证记忆的训练数据，利用反馈循环和对抗模块提升版权文本提取效果，实验显示其在ROUGE-L评分上显著提升。
coDrawAgents：一种用于组合图像生成的多智能体对话框架
机构 * Lingnan University（岭南大学） ； CMU（卡内基梅隆大学） ； CUHK（香港中文大学） ； Alibaba DAMO Academy（阿里巴巴达摩院） ； SJTU（上海交通大学） ； HKU（香港大学） ； China University of Petroleum（中国石油大学）
AI总结 coDrawAgents通过四类智能体协作提升复杂场景中多对象生成的准确性与属性保持，实验表明其在文本-图像对齐、空间准确性和属性绑定方面表现更优。
Comments Accepted to CVPR 2026 Findings
基于技能图表示的机器人装配自主集成与改进
机构 * Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
AI总结 本文提出基于技能图表示的机器人装配系统自主集成与持续改进框架，通过语义级规划与执行接口实现系统配置、执行、评估与学习的统一，提升装配系统的适应性与可重用性。
自监督语音模型通过位置依赖的正交子空间编码音素上下文
机构 * UT Austin（德克萨斯大学奥斯汀分校） ； UC Berkeley（加州大学伯克利分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究自监督语音模型如何在单帧层面编码音素及其上下文，提出通过位置依赖的正交子空间实现音素信息的组合编码，揭示了上下文依赖表示的结构特性。
Comments Submitted to Interspeech 2026
Feynman: 一种融合知识的图表生成代理，用于可扩展的视觉设计
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出Feynman代理，通过知识组件枚举和代码规划生成高质量图表-描述对，构建了可扩展的图表生成流水线，并创建了视觉语言基准Diagramma。
Comments A previous version was submitted to ICLR 2025
哪些数据更重要？基于嵌入的数据选择用于语音识别
机构 * Apple（苹果公司） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了针对特定领域语音识别的嵌入式数据选择策略，通过选择相关子集提升目标领域性能，实验表明精选5%数据可使WER减少36.8%。
IsoCompute Playbook: 优化LLM RL中的采样计算规模
机构 * UC San Diego（UC圣地亚哥大学） ； MBZUAI-IFM ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了LLM RL中采样计算的最优分配，发现并行回放数随计算预算增加而增加并饱和，不同问题驱动机制不同，且增加并行回放可减少干扰，问题数影响训练稳定性。
Comments 29 pages, 27 figures. Under review
在新兴基础和代理AI时代 computational pathology 的发展——国际专家对临床整合与转化准备的视角
机构 * Department of Pathology, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China（复旦大学附属中山医院病理科，上海交通大学医学院，上海，中国） ； Department of Radiation Oncology, Stanford University School of Medicine, Stanford, CA, USA（斯坦福大学医学院放射肿瘤科，斯坦福，加利福尼亚州，美国） ； Department of Basic Education, Qingdao City University, Qingdao, Shandong, China（青岛城市大学基础教育系，青岛，山东省，中国） ； Department of Human Genetics, the University of Chicago, Chicago, IL, USA（芝加哥大学人类遗传学系，芝加哥，伊利诺伊州，美国） ； Department of Computer Science, University of Warwick, Coventry UK（沃里克大学计算机科学系，科文特里，英国） ； Department of Electrical and Computer Engineering, Carnegie Mellon University, Pittsburgh, Pennsylvania, USA（卡内基梅隆大学电气与计算机工程系，匹兹堡，宾夕法尼亚州，美国） ； Department of Neurosurgery, Stanford University School of Medicine, Stanford, CA, USA（斯坦福大学医学院神经外科，斯坦福，加利福尼亚州，美国） ； Department of Biomedical Informatics, Harvard Medical School, Boston, MA, USA（哈佛医学院生物医学信息学系，波士顿，马萨诸塞州，美国）
AI总结 本文探讨新兴基础和代理AI在计算病理学中的临床整合与转化准备，分析技术成熟度、经济监管及实际应用挑战，提供国际专家对当前能力与障碍的评估。
具有全局控制的模拟量子系统实现通用动力学
机构 * Department of Physics, Harvard University（哈佛大学物理系） ； School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Harmoniqs, Inc.（Harmoniqs公司） ； Department of Mathematics, Harvard University（哈佛大学数学系）
AI总结 本研究通过全局控制场实现通用量子动力学，展示了类比量子模拟器在拓扑动力学和多体相互作用工程中的应用。
Comments The updated version adds new applications and discussions on information scrambling with globally controlled analog quantum systems. 11 pages, 6 figures with Methods. HYH, AMG, and LC contributed equally to this work. Updated acknowledgement and references
分布式专家问题的更优界限
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Texas A&M University（德克萨斯大学）
AI总结 本文提出了一种改进的分布式专家问题协议，通过更优的通信效率和悔恨值界限，提升了性能表现。
Pri4R: 通过特权4D表示学习视觉-语言-动作模型的世界动态
机构 * KAIST AI（韩国科学技术院人工智能研究中心） ； LG AI Research（LG人工智能研究） ； Yonsei University（延世大学） ； Seoul National University（首尔国立大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 Pri4R通过特权4D表示学习视觉-语言-动作模型的世界动态，提升操控任务性能
FrontierCO: 机器学习求解组合优化问题的现实世界和大规模评估
机构 * School of Computer Science, Carnegie Mellon University（计算机科学系，卡内基梅隆大学）
AI总结 FrontierCO通过现实世界结构和大规模实例评估，揭示了机器学习求解器在组合优化中的性能差距及优势。
Comments ICLR 2026
AgentIR: 为深度研究代理设计的推理感知检索
机构 * University of Waterloo（滑铁卢大学） ； University of Queensland（昆士兰大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 AgentIR通过结合推理轨迹与查询的联合嵌入和数据合成方法，提升深度研究代理的检索性能，实现68%的准确率。
Foley-Flow：基于掩码音频-视觉对齐和动态条件流的协调视频到音频生成
机构 * CMU / MBZUAI DAMO Academy, Alibaba Group（卡内基梅隆大学 / MBZUAI 大学 DAMO 院，阿里巴巴集团） ； DAMO Academy, Alibaba Group（DAMO 院，阿里巴巴集团） ； Hupan Laboratory（虎盘实验室）
AI总结 FoleyFlow通过掩码建模和动态条件流实现视频到音频的协调生成，提升语义与节奏一致性。
在髋部外骨骼应用中优化生物关节力矩估计的运动任务集
机构 * Department of Mechanical Engineering, Carnegie Mellon University（机械工程系，卡内基梅隆大学）
AI总结 本文提出了一种优化运动任务集的方法，通过减少数据收集负担同时保持模型精度，提升髋部外骨骼应用中的关节力矩估计性能。
Comments 6 pages, 5 figures, 1 table
ShakyPrepend：一种改进样本复杂度的多组学习器
机构 * Department of Statistics and Data Science（统计与数据科学系） ； Carnegie Mellon University（卡内基梅隆大学） ； Computer Science Department（计算机科学系） ； Data Science Institute（数据科学学院） ； Columbia University（哥伦比亚大学） ； Machine Learning Department（机器学习系）
AI总结 ShakyPrepend通过差分隐私启发的工具改进多组学习的样本复杂度，适应组结构和空间异质性，并提供现实应用指导。
Comments 29 pages, 10 figures, submitted to ICML2026
为先进人工智能设计的断电安全阀
机构 * Foundations of Cooperative AI Lab（合作人工智能基础实验室） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出为先进人工智能设计断电安全阀，使其具备被关闭的目标，以应对AI不可关机的潜在风险。
Journal ref In Proceedings of the Second Conference of the International Association for Safe and Ethical Artificial Intelligence (IASEAI'26), Paris, France, 2026
部署约束是否使大语言模型产生引文幻觉？对四个模型和五个提示模式的实证研究
机构 * New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Boston University（波士顿大学）
AI总结 本文通过实证研究探讨部署约束对大语言模型引文真实性的影响，发现不同提示模式下引文存在率差异显著，揭示了需在SE文献中进行事后验证的必要性。
扩散控制器：框架、算法与参数化
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Google Research（谷歌研究） ； Yale University（耶鲁大学） ； Google DeepMind（谷歌DeepMind）
AI总结 DiffCon提出了一种基于控制论的框架，通过f-散度正则化策略梯度更新和KL散度保证的奖励加权回归目标，提升扩散模型的可控性和性能。
SysNav：多级系统性合作实现现实世界跨载体物体导航
机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； Nanyang Technological University（南洋理工大学）
AI总结 SysNav通过多级系统性合作实现现实世界跨载体物体导航，提升复杂环境下的导航效率与成功率。
利用补充静止轨道卫星数据和分层规划实现卫星观测的动态瞄准
机构 * Jet Propulsion Laboratory, California Institute of Technology, Pasadena, CA（喷气推进实验室，加州理工学院，帕萨迪纳，CA） ； Harvard University, Cambridge, MA（哈佛大学，剑桥，MA） ； Department of Computer Science, Carnegie Mellon University, Pittsburgh, PA（计算机科学系，卡内基梅隆大学，匹兹堡，PA）
AI总结 本文提出了一种利用静止轨道卫星数据和分层规划方法，提升动态瞄准任务中观测规划效率的解决方案，实验表明其在特定场景下性能提升达41%。
Comments Appears in the proceedings of the 2026 IEEE International Conference on Robotics and Automation
剪枝之下：揭示基于剪枝的去学习中概念复兴的风险
机构 * University of Georgia（佐治亚大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Northeastern University（东北大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； University of Arizona（亚利桑那大学）
AI总结 本文揭示基于剪枝的去学习中概念复兴的风险，提出攻击框架可无数据恢复被擦除概念，并探讨安全剪枝机制。
Comments Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026
Evo：具有进化平衡的自回归-扩散大语言模型
机构 * University of Oxford（牛津大学） ； National University of Singapore（新加坡国立大学） ； Technical University of Munich（慕尼黑技术大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 Evo通过进化平衡机制，结合自回归和扩散模型，实现高效且高质量的语言生成。
专业视觉艺术家在工作场所中如何协商生成式AI
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了专业视觉艺术家在工作场所中对生成式AI的态度与应对策略，发现大多数艺术家反对使用生成式AI，并通过多种拒绝策略应对其影响。
CDE：基于概念的强化学习探索
机构 * Department of Electrical and Computer Engineering, Purdue University（电子工程系，普渡大学） ； Department of Computer Science, Purdue University（计算机科学系，普渡大学） ； Robotics Institute, Carnegie Mellon University（机器人研究所，卡内基梅隆大学） ； Department of Management of Technology, EPFL（技术管理系，瑞士联邦理工学院）
AI总结 CDE通过利用预训练视觉-语言模型生成任务相关的视觉概念，提升强化学习中视觉任务的探索效率和鲁棒性。
Comments Preprint
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈